故障预测对保障LRE安全、可靠地运行具有重要意义。随着大数据处理、数据挖掘和深度学习技术的快速发展,基于数据分析技术的LRE故障预测方法已成为时下研究的焦点。论文以某大型氢氧火箭发动机为研究对象,按照“从总体框架到具体方法,从单一模型到组合模型,从单一方法到多方法集成,从理论分析到应用集成”的思路,以过程神经网络(Process Neural Network,PNN)为基础,对发动机故障预测方法展开了研究。论文的主要研究工作和结论如下:提出基于PNN的液体火箭发动机(Liquid-propellant Rocket Engines,LRE)故障预测方法。阐明了发动机故障预测的含义与相关概念,归纳和总结了故障预测的一般步骤和流程。分析了发动机故障预测的层次结构与功能模块,在此基础上提出了LRE故障预测通用框架与策略。基于通用框架与策略,针对发动机稳态过程和启动过程,提出了基于一般PNN的故障预测方法。发动机地面试车数据验证表明,故障预测通用过程模型能够有效地规范发动机故障预测与隔离的功能和过程,基于一般PNN的故障预测方法能够对发动机的故障进行预测并实现部件级别的故障隔离。但是该方法还存在网络预测模型建立过程繁琐与优化困难、预测精度较低和难以对故障发展趋势进行精确预测的缺点。提出基于增量学习的PNN故障预测方法。针对发动机稳态工作过程,提出故障阈值自适应更新方法,克服了ATA方法不能处理发动机缓变故障预测的缺陷。针对离线PNN对发动机故障预测参数预测精度较低和难以实现故障发展趋势预测的问题,根据PNN的不同输出方式,分别提出基于权值更新的PNN预测方法和基于输出调节系数更新的PNN预测方法,解决了PNN的增量学习问题。发动机地面试车数据验证表明,故障阈值自适应更新方法可有效提高故障预测的及时性和有效性。基于输出权值和输出调节系数更新的PNN增量学习方法,能够实现对发动机故障发展趋势的预测,相对于离线PNN具有更好的预测精度。提出基于组合PNN的预测方法。针对发动机故障预测参数PNN预测模型存在的建模过程繁琐和泛化能力不高的问题,在对组合PNN泛化误差和单一PNN预测性能进行详细分析的基础上,提出组合PNN的一般方法。根据子PNN的预测误差,提出了动态权值合成方法,实现了组合PNN对发动机故障预测参数的预测。为进一步提高执行效率,提出一种基于误差预测修正的PNN预测方法。发动机地面试车数据验证表明,上述方法可以有效简化发动机故障预测参数预测模型的建立过程,并较好地提高了预测模型的泛化能力。提出基于样本重构的PNN预测方法。分析和研究了发动机数据样本的数量、质量和代表性对PNN预测模型优化难度和预测性能的影响,给出剔除数据粗大误差方法、数据滤波处理方法和数据相空间重构方法。根据发动机稳态过程数据存在的多种趋势与周期性,提出一种基于多尺度分析的并行PNN预测方法。为实现对缺少数据样本的发动机工况调节时序进行预测,提出一种基于数据分段的PNN预测方法。发动机地面试车数据验证表明,基于多尺度分析的PNN预测方法一定程度上可以降低故障预测参数预测模型的优化难度,具有较高预测精度和预测效率;基于数据分段的PNN预测方法能够有效缩减预测模型训练样本的长度,降低模型优化难度,同时提高了模型对发动机故障预测参数的预测能力。提出基于多方法集成的预测方法。针对单一预测方法在处理发动机故障预测问题上的局限性,对基于数据分段的多方法集成预测原理进行了分析,然后基于AdaBoost.RT框架研究了基于动态权重组合的多方法集成预测模型,并给出了预测模型的学习和优化方法。为解决单一在线预测方法存在着预测精度较低的问题,研究了多种在线预测方法集成预测方法,该方法为实现发动机在线故障预测奠定了基础。发动机地面试车数据验证表明,集成预测方法可以有效降低预测模型的建立难度,具有较好的工程实用性;在线建模集成预测方法,能够以较快速度实现在线建模与预测,一定程度上解决了单一方法因样本数量有限造成的低预测精度问题。论文紧密结合我国大型LRE的实际工程需求,对基于PNN的发动机故障预测方法进行了深入地研究,研究结果可为我国现役大型LRE的故障预测和故障控制提供技术支撑,具有很好的工程应用价值。同时,论文从工程问题中提炼出故障预测问题的特性,建立了抽象的故障预测数学模型,并提出故障预测参数预测方法,具有一定的学术价值。